El Impacto Medible y que Cambia la Vida del IA en el Cáncer

Aprovechando los Macrodatos para Mejorar el IA en la Detección y Tratamiento del Cáncer

Integrar el IA en el proceso de toma de decisiones sanitarias está ayudando a revolucionar el campo y a llevar a decisiones de tratamiento más precisas y consistentes debido a su capacidad prácticamente ilimitada para identificar patrones demasiado complejos para que los humanos los vean.

El campo de la oncología genera enormes conjuntos de datos, desde historias clínicas no estructuradas hasta datos de imágenes y secuenciación genómica, en varias etapas del recorrido del paciente. El IA puede analizar “inteligentemente” lotes de datos a gran escala a velocidades más rápidas que los métodos tradicionales, lo cual es fundamental para entrenar los algoritmos de aprendizaje automático que son fundamentales para las herramientas de detección y seguimiento del cáncer avanzadas. El IA también tiene una gran capacidad inherente de reconocimiento de patrones para modelar eficientemente las complejidades de los conjuntos de datos. Esto es importante porque permite una comprensión más profunda y multilayered del impacto de las firmas moleculares matizadas en la genómica del cáncer y los microentornos tumorales. Descubrir un patrón entre genes que solo se encuentran en un subconjunto determinado de casos de cáncer o patrones de progresión del cáncer puede llevar a un enfoque de tratamiento más personalizado y específico para el paciente.

¿Cuál es el objetivo final?  Pruebas de cáncer impulsadas por IA que apoyen la toma de decisiones clínicas para los médicos y sus pacientes en cada paso del recorrido del cáncer – desde la detección y el diagnóstico, hasta la identificación del tratamiento adecuado, y para el seguimiento de los pacientes y la predicción de la recurrencia.

Calidad y Cantidad de Datos: La Clave del Éxito del IA

En última instancia, un algoritmo de IA solo será tan bueno como la calidad de los datos que lo entrenen. Los datos deficientes, incompletos o mal etiquetados pueden obstaculizar la capacidad del IA para encontrar los mejores patrones (basura dentro, basura fuera). Esto es especialmente cierto en la atención del cáncer, donde la modelización predictiva depende de una precisión impecable – por ejemplo, una modificación genética de entre miles podría señalar el desarrollo de un tumor y informar sobre la detección temprana. Garantizar ese nivel de calidad es un proceso largo y costoso, pero conduce a mejores datos, lo que resulta en una precisión óptima de las pruebas. Sin embargo, desarrollar una mina de oro de datos útiles conlleva importantes desafíos. Por un lado, recopilar datos genómicos y moleculares a gran escala, que pueden involucrar millones de puntos de datos, es una tarea compleja. Comienza con tener las mejores pruebas que miden estas características del cáncer con precisión y resolución impecables. Los datos moleculares recopilados también deben ser lo más diversos posible en términos geográficos y representación de pacientes para ampliar la capacidad predictiva de los modelos de entrenamiento. También se beneficia de la construcción de colaboraciones y asociaciones a largo plazo y multidisciplinarias que puedan ayudar a recopilar y procesar datos brutos para el análisis. Finalmente, codificar estrictos estándares éticos en el manejo de datos es de suma importancia cuando se trata de información sanitaria y de adherirse a estrictas regulaciones de privacidad de los pacientes, lo que a veces puede presentar un desafío en la recopilación de datos.

Una abundancia de datos precisos y detallados no solo resultará en capacidades de prueba que puedan encontrar patrones rápidamente y dotar a los médicos de la mejor oportunidad para abordar las necesidades insatisfechas de sus pacientes, sino que también mejorará y avanzará todos los aspectos de la investigación clínica, especialmente la búsqueda urgente de mejores medicamentos y biomarcadores para el cáncer.

El IA Ya Está Mostrando Promesa en la Atención y Tratamiento del Cáncer

Ya se están implementando formas más efectivas de entrenar al IA. Mis colegas y yo estamos entrenando algoritmos a partir de una amplia gama de datos, incluidos resultados de imágenes, datos de tejido de biopsia, varias formas de secuenciación genómica y biomarcadores de proteínas, entre otros análisis – todos los cuales suman cantidades masivas de datos de entrenamiento. Nuestra capacidad para generar datos a escala de cuadrillones en lugar de billones nos ha permitido construir algunos de los primeros análisis predictivos verdaderamente precisos en uso clínico, como la identificación de tumores para cánceres avanzados de origen desconocido o caminos de tratamiento de quimioterapia predictivos que involucran variaciones genéticas sutiles.

En Caris Life Sciences, hemos demostrado que la validación y prueba extensiva de los algoritmos son necesarias, con comparaciones con evidencia del mundo real desempeñando un papel clave. Por ejemplo, nuestros algoritmos entrenados para detectar cánceres específicos se benefician de la validación contra datos de histología de laboratorio, mientras que las predicciones del IA para regímenes de tratamiento pueden ser comparadas con resultados de supervivencia clínica en el mundo real.

Dada la rápida evolución de la investigación sobre el cáncer, la experiencia sugiere que el aprendizaje continuo y el perfeccionamiento de los algoritmos son una parte integral de una estrategia de IA exitosa. A medida que se desarrollan nuevos tratamientos y nuestra comprensión de las vías biológicas que impulsan el cáncer evoluciona, actualizar los modelos con la información más actualizada ofrece una comprensión más profunda y sensibilidad de detección mejorada.

Este proceso de aprendizaje continuo destaca la importancia de la colaboración amplia entre los desarrolladores de IA y las comunidades clínicas y de investigación. Hemos encontrado que desarrollar nuevas herramientas para analizar datos más rápidamente y con mayor sensibilidad, combinadas con la retroalimentación de los oncólogos, es esencial. En resumen, la verdadera medida del éxito de un algoritmo de IA es cómo equipa a los oncólogos con perspectivas predictivas confiables que necesitan y cómo es adaptable la estrategia de IA a los paradigmas de tratamiento en constante cambio.

Aplicaciones Reales del IA Ya Están Mejorando las Tasas de Supervivencia y la Gestión del Cáncer

Los avances en la escala y calidad de los datos ya han tenido impactos medibles al expandir la herramienta de toma de decisiones del médico, lo que ha tenido resultados positivos reales en la atención al paciente y los resultados de supervivencia. La primera herramienta de IA validada clínicamente para navegar las opciones de tratamiento de quimioterapia para un cáncer metastásico difícil de tratar puede potencialmente  extender la supervivencia del paciente en 17,5 meses, en comparación con las decisiones de tratamiento estándar tomadas sin algoritmos predictivos¹. Una herramienta de IA diferente puede predecir con más del 94% de precisión el tumor de origen para decenas de cánceres metastásicos² – lo cual es fundamental para crear un plan de tratamiento efectivo. Los algoritmos de IA también predicen cómo responderá un tumor al tratamiento de inmunoterapia en función de la genética única del tumor de cada persona. En cada uno de estos casos, las herramientas de IA dotan a la toma de decisiones clínicas de la mejor oportunidad para mejorar los resultados de los pacientes en comparación con los estándares actuales de atención.

Espera una Revolución del IA en el Cáncer

El IA ya está cambiando cómo detectamos el cáncer temprano y cómo lo tratamos en el camino. La gestión del cáncer pronto tendrá a los médicos trabajando codo a codo con el IA integrado en tiempo real para tratar y monitorear a los pacientes y mantenerse un paso por delante de los intentos del cáncer de superar a los medicamentos con mutaciones. Además de los modelos predictivos cada vez mejores para detectar el cáncer más temprano y ofrecer paradigmas de tratamiento personalizados más efectivos, los médicos, investigadores y empresas biotecnológicas están trabajando arduamente hoy en día para aprovechar los datos y los análisis del IA para impulsar nuevos descubrimientos terapéuticos y biomarcadores moleculares para el mañana.

En un futuro no muy lejano, estos avances antes imposibles en el IA llegarán mucho más allá de la atención del cáncer a todos los estados de enfermedad, poniendo fin a una era de incertidumbre y haciendo que la medicina sea más precisa, más personalizada y más efectiva.